脳研究パート1の開発に関する論文

May 09 2022
要約:てんかん発生病変は、正常な脳組織よりもナトリウム濃度が高い。このような病変は、外科医によって明白に認識され、その後、関連する異常な電気的挙動を伴うてんかん発作を排除するために切除されます。
UnsplashのRobinaWeermeijerによる写真
  1. 新たに切除されたヒトてんかん発生脳組織の特徴的なイオン輸送(arXiv

概要 :てんかん発生病変は、正常な脳組織よりもナトリウム濃度が高くなっています。このような病変は、外科医によって明白に認識され、その後、関連する異常な電気的挙動を伴うてんかん発作を排除するために切除されます。ここでは、てんかん患者の脳から切除された病変を含む組織の周波数依存の電気伝導度を研究します。生体組織の低周波(<1000 Hz)導電率は、主に、閉塞によって囲まれた領域内の膜に平行に移動する細胞外溶媒和ナトリウムカチオンをプローブします。この導電率は、拡散する溶媒和ナトリウムカチオンが閉塞に遭遇する速度を周波数が超えると、飽和に向かって単調に上昇します。癲癇誘発性病変を含む切除された脳組織では、正常な脳組織よりも劇的に高い頻度で飽和が起こることがわかります。対照的に、そのような効果は、他の切除された生体組織に埋め込まれた腫瘍については報告されていません。とにかく、てんかん発生病変は、正常な脳組織と腫瘍の両方の導電率とは質的に異なる周波数依存の導電率を生成します

2.脳の構築:大血管閉塞検出におけるデータ拡張のためのサブボリューム再結合(arXiv

著者: Florian Thamm、Oliver Taubmann、MarkusJürgens、Aleksandra Thamm、Felix Denzinger 、Leonhard Rist、Hendrik Ditt、Andreas Maier

概要 :虚血性脳卒中は、多くの場合、大血管閉塞(LVO)によって引き起こされます。これは、コンピューター断層撮影血管造影スキャンで視覚化および診断できます。時間は脳であるため、これらのスキャンの高速で正確な自動診断が望まれます。人間の読者は、脳卒中の評価において左半球と右半球を比較します。データからこの戦略を学習するための標準的な深層学習ベースのモデルには、大規模なトレーニングデータセットが必要です。この分野でラベル付けされた医療データはまれであるため、他のアプローチを開発する必要があります。サイド比較の事前知識を含め、トレーニングデータの量を増やすために、異なる患者からの半球または半球サブ領域の血管ツリーセグメンテーションを再結合することによって人工トレーニングサンプルを生成する拡張方法を提案します。サブリージョンは、LVOの影響を一般的に受ける血管、つまり内頸動脈(ICA)と中大脳動脈(MCA)をカバーします。拡張スキームに沿って、タスク固有の入力が供給される3D-DenseNetを使用して、半球間の比較を促進します。さらに、個々の半球のサブ領域を処理するために、そのアーキテクチャの拡張を提案します。すべての構成は、LVO、その側面、および影響を受けるサブ領域の存在を予測します。5分割交差検証アブレーション研究における増強戦略としての組換えの効果を示します。調査したすべてのアーキテクチャのLVOの存在に関する患者ごとの分類のためにAUCを強化しました。1つのバリアントでは、提案された方法により、AUCが拡張なしの0.73から0.89に改善されました。最適な構成では、AUCが0.91のLVOが検出されます。

3.MRIでのリアルタイム胎児脳セグメンテーションのためのディープラーニングフレームワーク(arXiv

著者: Razieh Faghihpirayesh、Davood Karimi、Deniz Erdogmus、Ali Gholipour

概要 :胎児の脳のセグメンテーションは、胎児のMRIにおけるスライスレベルの動きの補正とスライスからボリュームへの再構成のための重要な最初のステップです。胎児のMRIでの胎児の脳の高速で正確なセグメンテーションは、スライスの再取得とステアリングのためのリアルタイムの胎児の頭のポーズの推定とモーショントラッキングを実現するために必要です。この重要な満たされていないニーズに対処するために、この作業では、さまざまなディープニューラルネットワークモデルの速度精度パフォーマンスを分析し、高解像度の空間詳細と低解像度で抽出されたコンテキスト特徴を組み合わせた、象徴的に小さな畳み込みニューラルネットワークを考案しました。畳み込みとプーリング操作の並列組み合わせを入力ダウンサンプリングモジュールとして考案し、推論時間をさらに短縮しながら、高精度を維持するためにスキップ接続を備えた複数のブランチを使用しました。モデルと、手動でラベル付けされた胎児の脳MRIスライスを使用して8つの代替の最先端ネットワークをトレーニングし、2セットの通常のテストケースと挑戦的なテストケースでテストしました。実験結果は、私たちのネットワークが、比較されたすべての最先端のリアルタイムセグメンテーション方法の中で最高の精度と最低の推論時間を達成したことを示しています。NVIDIA GeForce RTX 2080 Tiでは、画像あたり3.36ミリ秒の推論時間で、通常のテストセットとチャレンジングなテストセットでそれぞれ97.99 \%と84.04 \%の平均ダイススコアを達成しました。コード、データ、およびトレーニング済みモデルは、次のURLで入手できます。実験結果は、私たちのネットワークが、比較されたすべての最先端のリアルタイムセグメンテーション方法の中で最高の精度と最低の推論時間を達成したことを示しています。NVIDIA GeForce RTX 2080 Tiでは、画像あたり3.36ミリ秒の推論時間で、通常のテストセットとチャレンジングなテストセットでそれぞれ97.99 \%と84.04 \%の平均ダイススコアを達成しました。コード、データ、およびトレーニング済みモデルは、次のURLで入手できます。実験結果は、私たちのネットワークが、比較されたすべての最先端のリアルタイムセグメンテーション方法の中で最高の精度と最低の推論時間を達成したことを示しています。NVIDIA GeForce RTX 2080 Tiでは、画像あたり3.36ミリ秒の推論時間で、通常のテストセットとチャレンジングなテストセットでそれぞれ97.99 \%と84.04 \%の平均ダイススコアを達成しました。コード、データ、およびトレーニング済みモデルは、次のURLで入手できます。https://github.com/bchimagine/real_time_fetal_brain_segmentation

4.テスト-再テストfMRI研究(arXiv)における活性化または不活性化の確実性の評価

著者:ランジャン・マイトラ

概要 :機能的磁気共鳴画像法〜(fMRI)は、人間の脳の活性化を研究するために広く使用されています。ほとんどの場合、データは通常、特定のパラダイムに対応するアクティベーションマップを作成するために使用されます。結果は非常に変動する可能性があるため、特定された活性化と不活性化の確実性を研究全体で定量化することが重要です。このホワイトペーパーでは、同じ実験パラダイムの複数の複製で取得されたデータから確実性を推定するためのモデルベースのアプローチを提供します。具体的には、データの統計分析から得られたp値は、基礎となる分布の混合として明示的にモデル化されます。したがって、現在使用されている方法論とは異なり、推定プロセスに主観的なしきい値は必要ありません。混合モデルを支配するパラメーターは、最尤法の原理によって簡単に取得できます。さらに遠く、推定値は、ボクセル固有の活性化領域とそれに対応する確実性の尺度を最適に識別するためにも使用できます。この方法論は、2か月の間に1人の被験者に対して数回実行される運動パラダイムを含む研究に適用されます。メソッドのパフォーマンスを較正するために使用されるシミュレーション実験は有望です。方法論はまた、活性化の領域とそれに対応する確実性を決定する上で堅牢であると見られています

5.自然知能の理論(arXiv

著者:クリストフ・フォン・デル・マルスブルク、ティロ・シュターデルマン、ベンジャミン・F・グリュー

概要 :はじめに:現在のAIテクノロジーとは対照的に、自然知能(動物や人間の脳で実現され、生来の行動スキーマのレパートリーによって定義された自然環境の目標を達成する一種の自律知能)は、学習の点ではるかに優れています。スピード、一般化能力、自律性と創造性。これらの強みはどのようになっていますか?自然なニューラルネットワークでアイデアや想像力が生み出されるのはどういう意味ですか?方法:文献を検討して、私たちは、私たちの自然環境と脳の両方が複雑度が低く、つまり、それらの生成に必要な情報が非常に少なく、その結果、両方とも高度に構造化されているという議論を提唱します。さらに、脳と自然環境の構造は密接に関連していると主張します。結果:脳の構造的規則性はネットフラグメント(自己組織化ネットワークパターン)の形をとり、これらは脳が迅速に学習し、いくつかの例から一般化し、抽象的に定義された間のギャップを埋めることを可能にする強力な誘導バイアスとして機能することを提案します一般的な目標と具体的な状況。結論:私たちの結果は、人工ニューラルネットワーク研究における開かれた問題に重要な関係があります。

© Copyright 2021 - 2022 | hachiwiki.com | All Rights Reserved